Histograme și valori aberante

Modelarea riscului de credit în R

Lore Dirick

Manager of Data Science Curriculum at Flatiron School

Funcția hist()

hist(loan_data$int_rate)

Histogramă a ratei dobânzii

Modelarea riscului de credit în R

Funcția hist()

hist(loan_data$int_rate, main = "Histogram of interest rate", xlab = "Interest rate")

Histogramă a ratei dobânzii

Modelarea riscului de credit în R

Funcția hist() pe annual_inc

hist(loan_data$annual_inc, xlab = "Annual Income", main = "Histogram of Annual Income")

Captură de ecran 2020-06-12 la 1.55.03 PM.png

Modelarea riscului de credit în R

Funcția hist() pe annual_inc

hist_income <- hist(loan_data$annual_inc,
                    xlab = "Annual Income",
                    main = "Histogram of Annual Income")
hist_income$breaks

0  500000 1000000 1500000 2000000 2500000 3000000 3500000 4000000 4500000 ...
Modelarea riscului de credit în R

Argumentul breaks

n_breaks <- sqrt(nrow(loan_data)) # n_breaks = 170.5638
hist_income_n <- hist(loan_data$annual_inc, breaks = n_breaks, 
                      xlab = "Annual Income", main = "Histogram of Annual Income")

Captură de ecran 2020-06-12 la 1.55.58 PM.png

Modelarea riscului de credit în R

annual_inc

plot(loan_data$annual_inc, ylab = "Annual Income")

Captură de ecran 2020-06-12 la 1.56.24 PM.png

Modelarea riscului de credit în R

annual_inc

plot(loan_data$annual_inc, ylab = "Annual Income")

Captură de ecran 2020-06-12 la 1.56.53 PM.png

Modelarea riscului de credit în R

Valori aberante

  • Când este o valoare aberantă?

    • Judecată de expert

    • Regulă empirică, ex.,

      • Q1 - 1.5 * IQR
      • Q3 + 1.5 * IQR
    • De obicei: combinație a ambelor
Modelarea riscului de credit în R

Judecată de expert

„Salariile anuale > 3 milioane $ sunt valori aberante"

$$

# Find outlier
index_outlier_expert <- which(loan_data$annual_inc > 3000000)

# Remove outlier from dataset
loan_data_expert <- loan_data[-index_outlier_expert, ]
Modelarea riscului de credit în R

Regulă empirică

Valoare aberantă dacă > Q3 + 1.5 * IQR

$$

# Calculate Q3 + 1.5 * IQR
outlier_cutoff <- quantile(loan_data$annual_inc, 0.75) + 1.5 * IQR(loan_data$annual_inc)

# Identify outliers
index_outlier_ROT <- which(loan_data$annual_inc > outlier_cutoff)

# Remove outliers
loan_data_ROT <- loan_data[-index_outlier_ROT, ]
Modelarea riscului de credit în R
hist(loan_data_expert$annual_inc,
     sqrt(nrow(loan_data_expert)), 
     xlab = "Annual income")


hist(loan_data_ROT$annual_inc,
     sqrt(nrow(loan_data_ROT)), 
     xlab = "Annual income")

Modelarea riscului de credit în R

Grafic bivariat

plot(loan_data$emp_length, loan_data$annual_inc, 
     xlab= "Employment length", ylab= "Annual income")

Captură de ecran 2020-06-12 la 1.58.14 PM.png

Modelarea riscului de credit în R

Grafic bivariat

plot(loan_data$emp_length, loan_data$annual_inc, 
     xlab= "Employment length", ylab= "Annual income")

Captură de ecran 2020-06-12 la 1.58.34 PM.png

Modelarea riscului de credit în R

Să exersăm!

Modelarea riscului de credit în R

Preparing Video For Download...